MaskCD: 基于掩码分类的遥感变化检测网络
计算机视觉与模式识别
2024-07-09 v1
摘要
利用深度学习进行遥感图像变化检测已在文献中得到广泛研究。它通常被视为像素级标注任务，旨在将每个像素分类为变化或未变化。尽管编码器-解码器结构中的逐像素分类网络表现出主导地位，但在不同场景下仍存在边界不精确和物体描绘不完整的问题。对于高分辨率遥感图像，部分或完全变化的物体比单个像素更值得关注。因此，我们从掩码预测和分类的角度重新审视变化检测任务，并提出MaskCD，通过从输入图像对自适应生成分类掩码来检测变化区域。具体地，它利用跨层级变化表示感知器（CLCRP）学习多尺度变化感知表示，并通过利用可变形多头自注意力（DeformMHSA）从编码特征中捕获时空关系。随后，开发了基于掩码注意力的检测变换器（MA-DETR）解码器，基于掩码注意力和自注意力机制精确定位和识别变化物体。它通过将像素级表示解码为可学习的掩码提议，并从这些候选中做出最终预测，重建所需的变化物体。在五个基准数据集上的实验结果表明，所提方法优于其他最先进模型。代码和预训练模型在线提供（https://github.com/EricYu97/MaskCD）。
引用
@article{arxiv.2404.12081,
title = {MaskCD: A Remote Sensing Change Detection Network Based on Mask Classification},
author = {Weikang Yu and Xiaokang Zhang and Samiran Das and Xiao Xiang Zhu and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2404.12081},
year = {2024}
}